Previsão de chegadas de pacientes e aprimoramento da triagem em departamentos de emergência

Abstract

Esta tese valida algoritmos de machine learning (ML) para previsão de chegadas de pacientes e processamento de linguagem natural para previsão de triagem de pacientes em departamentos de emergência, contribuindo para dar suporte ao processo de triagem e gerenciamento das operações do departamento de emergência. Uma revisão sistemática abrangente foi realizada para delimitar o campo de aplicações de algoritmos de inteligência artificial na classificação de triagem de pacientes e identificar direções de pesquisa promissoras na área. Os objetivos principais desta tese foram (i) analisar estudos sobre algoritmos de ML e/ou métodos de processamento de linguagem natural (PLN) na triagem de pacientes em departamentos de emergência, (ii) investigar o uso de feature engineering na previsão de chegadas diárias de pacientes, e (iii) desenvolver um framework de classificação baseado em algoritmos de ML e PLN para aprimorar a classificação de triagem dos pacientes usando o Emergency Severity Index (ESI). As principais contribuições deste estudo abrangem (i) a feature engineering como uma abordagem que melhorou o desempenho dos algoritmos de ML na previsão de chegadas de pacientes, e (ii) a proposição de um framework baseado em ML e PLN para melhorar o desempenho do ESI na triagem de pacientes e aprimorar o fluxo de trabalho de ML.

This thesis validates machine learning (ML) algorithms for forecasting patient arrivals and natural language processing (NLP) for predicting patient triage in emergency departments (EDs), contributing to supporting the triage process and managing ED operations. A comprehensive systematic review was conducted to define the scope of artificial intelligence (AI) algorithms applications in patient triage classification and to identify promising research directions in the field. The main objectives of this dissertation were (i) to analyze studies on ML algorithms and/or NLP methods for patient triage in EDs, (ii) to investigate the use of feature engineering approaches in forecasting daily patient arrivals, and (iii) to develop a classification framework based on ML and NLP algorithms to enhance patient triage classification using the Emergency Severity Index (ESI). The main contributions of this study include (i) feature engineering as an approach that improved the performance of ML algorithms in forecasting patient arrivals, and (ii) the proposition of a framework based on ML and NLP to improve ESI performance in patient triage and to enhance the ML workflow.